超声诊断技术是目前广泛使用的医学影像检测技术。相比于CT、MRI等,3D超声诊断不仅可实时观察脏器的运动和功能,显示立体变化,而且对人体没有辐射,成本较低。但目前超声成像仍然存在一些问题,比如成像不够清晰,分辨率较低等。低质量的成像影响医生对病理的分析与判断,降低了诊断的准确率,从而影响到对病人的及时治疗。因此提高超声系统成像质量,实现超声图像复原有着重要的临床应用价值。3D超声探头的高速旋转产生相对运动是导致成像不清晰的原因之一,本文针对这一问题展开研究。传统的超声图像去模糊方法都是基于卷积核的估计,然而估计出的卷积核往往不准确,得到的复原图像效果仍然不理想。本文将深度网络模型应用于超声图像复原,首先提出了去卷积卷积神经网络与去噪卷积神经网络相结合的超声图像复原算法。此算法包含两个级联的卷积神经网络,第一个卷积神经网络用来拟合伪逆核函数,第二个用来去噪,实验结果表明此算法可去除主要的模糊,但是整体效果不理想。在此基础上,提出了基于生成对抗网络的端到端的超声图像复原算法,主要研究了基于U-Net改进的生成网络、网络的损失函数WGAN-GP和感知损失以及网络的训练过程。基于生成对抗网络的超声图像复原算法既不需要估计模糊核也不需要拟合核函数,采用有监督的对抗训练方式,实现了图像复原。实验结果表明,由此算法得到的复原图像的PSNR、SSIM指标相比去卷积卷积神经网络与去噪卷积神经网络相结合的超声图像复原算法和传统方法都有了较大提升,证实了算法的有效性。此外,本文通过生成模糊核的方法生成旋转运动模糊图像数据集,解决了缺乏训练数据的问题。